app.py

import streamlit as st
import pandas as pd
from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch
import random
import matplotlib.pyplot as plt

# Set Streamlit layout to wide
st.set_page_config(layout="wide")

# Load the model and tokenizer
model_name = 'dejanseo/BERTic-sentiment'
model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# Predefined sentences for testing
predefined_sentences = [
    "Veseli me što mogu podijeliti vijest da smo danas otvorili novu poslovnicu u centru grada, što će sigurno olakšati dostupnost našim klijentima.",
    "Danas je objavljen izvještaj o prometnoj situaciji u gradu, koji pokazuje blagi pad broja nesreća u odnosu na prošli mjesec.",
    "S velikom tugom moram objaviti da je naša tvrtka pretrpjela značajne gubitke u posljednjem tromjesečju, što će rezultirati otpuštanjima.",
    "Uživao sam čitajući novi članak o inovacijama u tehnologiji, koji pokazuje koliko brzo napredujemo u ovom području.",
    "Jutros je objavljena nova vremenska prognoza koja predviđa stabilne temperature tijekom tjedna.",
    "Nažalost, moram podijeliti da je moja recenzija najnovijeg filma izrazito negativna zbog loše izvedbe glavnih glumaca i slabe radnje.",
    "S velikim zadovoljstvom najavljujemo lansiranje našeg novog proizvoda, koji je rezultat višegodišnjeg istraživanja i razvoja.",
    "Na stranici je objavljena nova studija koja analizira utjecaj društvenih mreža na mlade.",
    "Razočaran sam što moram reći da je kvaliteta usluge u našem lokalnom restoranu značajno opala u posljednje vrijeme.",
    "Presretan sam što mogu podijeliti da smo osvojili prestižnu nagradu za inovativnost u poslovanju, što je velika čast za naš tim.",
    "U današnjem broju novina možete pronaći intervju s poznatim autorom koji govori o svojoj najnovijoj knjizi.",
    "Uz veliko nezadovoljstvo moram reći da su nedavne promjene u zakonodavstvu dovele do mnogih poteškoća za male poduzetnike.",
    "Jako me veseli što smo uspjeli završiti naš projekt prije roka i s izvanrednim rezultatima.",
    "Danas je na blogu objavljen članak o važnosti zdrave prehrane u svakodnevnom životu.",
    "Sa žaljenjem moram objaviti da su najnovije vijesti o ekonomskoj situaciji izrazito nepovoljne za naš sektor.",
    "S velikom radošću najavljujem da će se održati besplatni online seminar o najnovijim trendovima u digitalnom marketingu.",
    "Današnje vijesti donose pregled najvažnijih događaja iz svijeta sporta.",
    "Nažalost, moram podijeliti da su naši napori za prikupljanje sredstava za dobrotvorne svrhe naišli na neočekivane prepreke.",
    "Uzbuđen sam što mogu podijeliti da smo postigli novi rekord u prodaji naših proizvoda ovog kvartala.",
    "Na web stranici je objavljena nova analiza tržišta koja pokazuje stabilan rast u sektoru nekretnina.",
    "S velikim razočaranjem moram reći da su korisničke recenzije našeg najnovijeg proizvoda izrazito negativne.",
    "S velikim ponosom objavljujemo da je naš tim osvojio prvu nagradu na međunarodnom natjecanju inovacija.",
    "Danas je na portalu objavljen članak o najnovijim trendovima u modnoj industriji.",
    "Duboko sam razočaran što moram reći da su naši napori za poboljšanje usluga naišli na ozbiljne izazove.",
    "Presretan sam što mogu podijeliti da smo ostvarili značajan napredak u istraživanju novih tehnologija.",
    "Na stranici su objavljeni rezultati ankete o zadovoljstvu korisnika uslugama javnog prijevoza.",
    "S velikim žaljenjem moram objaviti da su najnoviji financijski izvještaji pokazali gubitke koji će utjecati na naše poslovanje.",
    "Veseli me što mogu podijeliti da smo dobili pohvale za naš rad na međunarodnoj konferenciji.",
    "U današnjem izdanju časopisa možete pročitati pregled najnovijih znanstvenih istraživanja.",
    "S tugom moram reći da su naši planovi za proširenje poslovanja trenutno na čekanju zbog nepredviđenih okolnosti."
]

# Streamlit interface
st.title("Croatian Sentiment Analysis by DEJAN")
st.write("BERTic-based Croatian language text classification transformer fine-tuned for sentence-level sentiment analysis. Developed and released by [Dejan Marketing](https://dejanmarketing.com/)")

sentence = st.text_input("Enter a sentence for sentiment analysis:")

if st.button("Predict"):
    if sentence:
        inputs = tokenizer(sentence, return_tensors="pt", truncation=True, padding=True, max_length=128)
        with torch.no_grad():
            outputs = model(**inputs)
        logits = outputs.logits
        probabilities = torch.nn.functional.softmax(logits, dim=-1).flatten().tolist()
        prediction = torch.argmax(logits, dim=-1).item()
        
        # Map the prediction to sentiment labels (assuming 0: Positive, 1: Neutral, 2: Negative)
        sentiment = {0: "Positive", 1: "Neutral", 2: "Negative"}
        st.write(f"Prediction: {sentiment[prediction]}")
        
        # Display probabilities
        st.write("Probabilities:")
        for i, label in sentiment.items():
            st.write(f"{label}: {probabilities[i]*100:.2f}%")
        
        # Plot probabilities
        labels = [sentiment[i] for i in range(3)]
        plt.figure(figsize=(8, 4))
        plt.bar(labels, probabilities, color=['green', 'blue', 'red'])
        plt.xlabel('Sentiment')
        plt.ylabel('Probability')
        plt.title('Sentiment Probabilities')
        st.pyplot(plt)
    else:
        st.write("Please enter a sentence.")

if st.button("Test a random sentence"):
    sentence = random.choice(predefined_sentences)
    st.write(f"Random sentence: {sentence}")
    inputs = tokenizer(sentence, return_tensors="pt", truncation=True, padding=True, max_length=128)
    with torch.no_grad():
        outputs = model(**inputs)
    logits = outputs.logits
    probabilities = torch.nn.functional.softmax(logits, dim=-1).flatten().tolist()
    prediction = torch.argmax(logits, dim=-1).item()
    
    # Map the prediction to sentiment labels (assuming 0: Positive, 1: Neutral, 2: Negative)
    sentiment = {0: "Positive", 1: "Neutral", 2: "Negative"}
    st.write(f"Prediction: {sentiment[prediction]}")
    
    # Display probabilities
    st.write("Probabilities:")
    for i, label in sentiment.items():
        st.write(f"{label}: {probabilities[i]*100:.2f}%")
    
    # Plot probabilities
    labels = [sentiment[i] for i in range(3)]
    plt.figure(figsize=(8, 4))
    plt.bar(labels, probabilities, color=['green', 'blue', 'red'])
    plt.xlabel('Sentiment')
    plt.ylabel('Probability')
    plt.title('Sentiment Probabilities')
    st.pyplot(plt)